論文の概要: S2MAM: Semi-supervised Meta Additive Model for Robust Estimation and Variable Selection

• arxiv url: http://arxiv.org/abs/2604.19072v2
• Date: Sat, 25 Apr 2026 06:31:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 13:03:00.473557
• Title: S2MAM: Semi-supervised Meta Additive Model for Robust Estimation and Variable Selection
• Title（参考訳）: S2MAM:ロバスト推定と可変選択のための半教師付きメタ付加モデル
• Authors: Xuelin Zhang, Hong Chen, Yingjie Wang, Tieliang Gong, Bin Gu,
• Abstract要約: 本稿では,新しい半スーパービジョンメタ付加モデル(S$2$MAM)を提案する。 情報変数を自動的に識別し、類似度行列を更新し、解釈可能な予測を同時に達成するバイレベル最適化方式に基づく。 4つの実世界のデータセットと12つの実世界のデータセットにまたがる実験的な評価は、様々なレベルの汚職のカテゴリを持ち、提案手法の堅牢性と解釈可能性を検証する。
• 参考スコア（独自算出の注目度）: 37.9993096742594
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semi-supervised learning with manifold regularization is a classical framework for jointly learning from both labeled and unlabeled data, where the key requirement is that the support of the unknown marginal distribution has the geometric structure of a Riemannian manifold. Typically, the Laplace-Beltrami operator-based manifold regularization can be approximated empirically by the Laplacian regularization associated with the entire training data and its corresponding graph Laplacian matrix. However, the graph Laplacian matrix depends heavily on the prespecified similarity metric and may lead to inappropriate penalties when dealing with redundant or noisy input variables. To address the above issues, this paper proposes a new Semi-Supervised Meta Additive Model (S$^2$MAM) based on a bilevel optimization scheme that automatically identifies informative variables, updates the similarity matrix, and simultaneously achieves interpretable predictions. Theoretical guarantees are provided for S$^2$MAM, including the computing convergence and the statistical generalization bound. Experimental assessments across 4 synthetic and 12 real-world datasets, with varying levels and categories of corruption, validate the robustness and interpretability of the proposed approach.
• Abstract（参考訳）: 多様体正規化を伴う半教師付き学習は、ラベル付きデータとラベルなしデータの両方から共同学習するための古典的な枠組みであり、そこで鍵となる要件は、未知の辺分布の支持がリーマン多様体の幾何学的構造を持つことである。 典型的には、ラプラス・ベルトラミ作用素に基づく多様体正規化は、トレーニングデータ全体とその対応するグラフラプラシアン行列に付随するラプラシアン正規化によって経験的に近似することができる。 しかし、グラフラプラシア行列は、予め定義された類似度メートル法に大きく依存しており、冗長あるいはノイズの多い入力変数を扱う際に不適切な罰則をもたらす可能性がある。 上記の問題に対処するため,情報的変数を自動的に識別し,類似度行列を更新し,解釈可能な予測を同時に達成するバイレベル最適化スキームに基づいて,S$^2$MAM(Semi-Supervised Meta Additive Model)を提案する。 理論的な保証は S$^2$MAM に対して提供され、計算収束と統計一般化境界を含む。 4つの実世界のデータセットと12つの実世界のデータセットにまたがる実験的な評価は、様々なレベルの汚職のカテゴリを持ち、提案手法の堅牢性と解釈可能性を検証する。

関連論文リスト

• Wrapped Gaussian on the manifold of Symmetric Positive Definite Matrices [4.678796432640703]
  円形および非平坦なデータ分布は、データ科学の様々な領域で広く使われている。 このようなデータの基盤となる幾何学を考慮に入れるための原則的なアプローチは、重要なものである。 この研究は、古典的な機械学習と統計手法をより複雑で構造化されたデータに拡張するための基礎となる。
  論文  参考訳（メタデータ） (2025-02-03T16:46:46Z)
• Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
  本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。 この問題は楕円分布のペナルティ化された最大推定値として表される。 楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
  論文  参考訳（メタデータ） (2022-10-21T13:19:45Z)
• Provably End-to-end Label-Noise Learning without Anchor Points [118.97592870124937]
  本稿では,アンカーポイントを使わずにラベルノイズ学習を実現するためのエンドツーエンドフレームワークを提案する。 提案フレームワークでは,クリーンなクラス後確率が十分に分散している場合,遷移行列を同定できる。
  論文  参考訳（メタデータ） (2021-02-04T03:59:37Z)
• A Unified Joint Maximum Mean Discrepancy for Domain Adaptation [73.44809425486767]
  本論文は,最適化が容易なjmmdの統一形式を理論的に導出する。 統合JMMDから、JMMDは分類に有利な特徴ラベル依存を低下させることを示す。 本稿では,その依存を促進する新たなmmd行列を提案し,ラベル分布シフトにロバストな新しいラベルカーネルを考案する。
  論文  参考訳（メタデータ） (2021-01-25T09:46:14Z)
• Asymptotic Analysis of an Ensemble of Randomly Projected Linear Discriminants [94.46276668068327]
  [1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。 我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。 また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
  論文  参考訳（メタデータ） (2020-04-17T12:47:04Z)
• Bayesian Semi-supervised Multi-category Classification under Nonparanormality [2.307581190124002]
  セミ教師付き学習はラベル付きデータとラベルなしデータの両方を使用するモデルトレーニング手法である。 本稿では,任意のカテゴリ分類問題に適用可能なベイズ半教師付き学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-01-11T21:31:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。